CN109948217A - 一种基于自然驾驶数据的危险场景库构建方法 - Google Patents

Abstract

本发明提出了一种基于自然驾驶数据的危险场景库构建方法，包括：首先从自然驾驶数据中选取若干参数，将这些参数作为聚类分析指标；利用cophenet函数计算聚类树信息与原始数据的距离之间的相关性，选取最适合的聚类方法；根据所选用的聚类方法对样品进行聚类，确定簇的个数；再采用K均值聚类法重新聚类，引入轮廓值判断聚类质量。其次，对聚类结果进行卡方检验，通过卡方检验得出的显著性结果，提取出每一类危险场景中的显著性因素，进行危险场景重构和扩展。

Description

一种基于自然驾驶数据的危险场景库构建方法

技术领域

本发明涉及智能交通领域，尤其涉及一种基于自然驾驶数据的危险场景库构建方法。

背景技术

近十年来，以先进驾驶辅助系统(Advanced Driver Assistance System，ADAS)为代表的汽车主动安全技术发展迅速，已经逐渐取代被动安全成为汽车安全技术研究的重心。该系统利用各式各样的传感器，进行静态，动态物体辨识，从而能够让驾驶人尽可能察觉危险，缩短人的反应时间，从而减少车辆事故。但是，汽车主动安全的评价方法的研究才刚刚起步。目前国内还没有一套完善的标准用来验证搭载了ADAS系统的车辆。

测试场景、驾驶员模型和测试目标物是主动安全系统场地测试方法的三大要素。其中测试场景必须与真实交通环境存在的危险相对应。因此，采用真实交通中存在的典型危险场景用于测试是十分有必要的。目前的智能汽车主要的研发方向还是先进驾驶辅助系统(ADAS)，整车厂在研发一款搭载ADAS系统的车辆时，需要进行大量的实车道路实验；在这个过程中，会投入巨大的时间以及资金。在进行实车实验时，还会面临着场景考虑不全面的问题，且一些极端的场景，是无法通过实车进行验证的。

因此，构建这样一个基于自然驾驶数据的危险场景库是十分有必要的。能够为整车厂的算法验证提供可靠的依据。这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于自然驾驶数据的危险场景库构建方法。

为了实现本发明的上述目的，本发明提供了一种基于自然驾驶数据的危险场景库构建方法，包括如下步骤：

S1，从用户自然驾驶数据中提取出若干驾驶参数数据，将提取的驾驶参数数据作为驾驶数据聚类分析指标；

S2，利用cophenet函数计算驾驶参数数据聚类树信息与最初提取的驾驶参数数据的距离之间的相关性，得到相关性系数；

S3，根据相关性系数选取优化后的驾驶参数数据聚类分析指标；

S4，根据所选用的驾驶参数数据聚类方法对最初驾驶参数数据样品进行聚类，确定簇的个数；

S5，采用K均值聚类法重新对驾驶参数数据聚类，通过计算轮廓值判断驾驶参数数据聚类质量；

S6，对驾驶参数数据聚类结果进行卡方检验，通过卡方检验得出驾驶参数数据显著性结果；

S7，提取出每一类驾驶参数数据危险场景的显著性因素，进行危险场景重构与扩展。

优选的，所述S1包括：

S1-1，实时获取用户自然驾驶参数数据，遍历全部自然驾驶参数数据，对用户驾驶时间段进行参数数据采集；

S1-2，将用户驾驶时间段根据日期、月份、季度或年份进行分段采集，在每一分段的时间段中对车辆的胎压、油量、电量、水温、传感器工作状态进行数据采集；

S1-3，获取每一分段的时间段乡间公路、县级公路、省级公路、国道和高速路的路况拥堵数据、能见度数据、检修施工数据，将拥堵数据、能见度数据、检修施工数据；

S1-4，获取每一分段的时间段车辆类型参数数据，车辆类型参数数据获取完毕之后，采集该车辆类型运动状态、以及该车辆类型在不同道路路况下的运动速度。

优选的，所述S2包括：

S2-1，通过cophenet函数计算驾驶参数数据聚类树信息，将计算后的聚类树信息进行维度构建，采用最短距离法(Single)、最长距离法(Complete)、中间距离法(Median)、重心法(Centroid)、类平均法(Average)的类间聚类分析；

S2-2，经过类间聚类分析后，获取相关性系数，使相关性系数收敛于设定阈值。

优选的，所述S3包括：

S3-1，进行聚类分析指标的工作过程，将自然驾驶数据中提取出来的优化后的驾驶参数数据聚类分析指标进行变量处理，然后进行参数化描述，然后将参数化描述进行标准化处理，统一量纲；

S3-2，其中参数化描述分为：

A，将驾驶参数数据聚类分析指标变量按照名义变量、有序变量、连续变量进行分类，收集名义变量中没有顺序等级之分的变量，收集有序变量存在序次关系的变量，收集连续变量中存在的实际数值，进行数学运算的变量；

B，将名义变量和有序变量赋予实际数值，有序变量的赋值大小顺序必须与原来的次序一致。

优选的，所述S4包括：

S4-1、根据cophenet函数计算出不同聚类方法对应的相关性系数确定聚类的方法并对驾驶参数数据样品进行聚类；

S4-2、根据不一致性系数验证每一次驾驶参数数据聚类过程，判断不一致性系数与聚类次数，确定最终聚类簇的个数。

优选的，所述S5包括：

S5-1、采用K均值聚类法，按照所确定簇的个数，将所有优化后的驾驶参数数据进行重新分类；

S5-2、根据轮廓值验证优化后的驾驶参数数据聚类结果，提取出每一类当中的离群样本，分析该离群样本录入是否有误，若有误则提取新的利群样本，若无误，将离群样本单独作为一类，进行重新归类。

优选的，所述S6包括：

S6-1，将驾驶参数数据的聚类结果进行卡方检验，设置置信度阈值；

S6-2，以全部离群样本空间中的变量分布作为理论频次，单类驾驶参数数据场景中的变量分布作为观察频次，当卡方值大于对应的卡方阈值时，提炼出相应驾驶参数数据聚类场景中具有显著性的场景。

优选的，所述S7包括：

S7-1，所述危险场景重构与扩展，通过对驾驶参数数据聚类分析进行卡方检验后得到每一类危险场景中的显著性因素与非显著性因素；

S7-2，以显著性因素为常量，非显著性因素为变量，进行危险场景的重构与扩展，实现危险场景的复现，建立危险场景数据库；

S7-3，从危险场景数据库中提取驾驶参数数据包含时间段、车辆状态、路况数据以及车辆类型的参数数据；

S7-4，提取出的驾驶参数数据按照名义变量，有序变量，连续变量进行分类，然后做标准化处理，统一量纲。

本发明还公开一种基于自然驾驶数据的危险场景库的应用，包括利用所建立的危险场景库进行车辆危险场景测试。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明方案通过对自然驾驶数据进行聚类分析，提取出驾驶数据样本中的代表性参数，进行危险场景库的重构与扩建。当自然驾驶数据样本的不断丰富，基于自然驾驶数据所构建的危险场景库也将不断完善。将上述危险场景库用于智能车辆的虚拟仿真测试，为整车厂所开发的智能车辆的安全性提供可靠的依据，让其能在有限的时间和资金的条件下能够达到更好的测试效果。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体工作流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本发明公开一种基于自然驾驶数据的危险场景库构建方法；所述方法首先从自然驾驶数据中提取出若干参数，包括但不仅限于时间段，能见度，本车运动状态，目标车类型，目标车运动状态，交通流，道路线型路面干燥条件等，将这些参数作为聚类分析指标。利用cophenet函数计算聚类树信息与原始数据的距离之间的相关性，得到相关性系数。常用的类间分析方法有最短距离法(Single)、最长距离法(Complete)、中间距离法(Median)、重心法(Centroid)、类平均法(Average)五种，其相关性系数越靠近于1，代表聚类效果越好。根据相关性系数选取最适合的聚类方法。根据所选用的聚类方法对样品进行聚类，确定簇的个数。再采用K均值聚类法重新聚类，引入轮廓值判断聚类质量，轮廓值越接近于1，代表着聚类效果越好。随后对聚类结果进行卡方检验，通过卡方检验得出的显著性结果，提取出每一类危险场景中的显著性因素，进行危险场景重构与扩展。

优选的，所述聚类分析指标，是将这些从自然驾驶数据库中提取出来的变量进行参数化描述，然后对这些参数进行标准化处理，统一量纲。其中，参数化描述分为以下两个步骤：

S1、将这些变量按照名义变量、有序变量、连续变量进行分类。其中名义变量(也称分类变量)是指有实际意义但是却没有顺序等级之分的变量，比如天气条件有晴天、雨天之分；有序变量是指变量类型存在序次关系的变量，比如能见度有高，中，低之分；连续变量是指存在实际数值，可以进行数学运算的变量，比如汽车速度45km/h。

S2、将名义变量和有序变量赋予实际数值，比如名义变量中的天气条件可赋值为：晴天＝0，雨天＝1，多云＝2，另外，有序变量的赋值大小顺序必须与原来的次序一致，比如能见度高＝2，能见度中＝1，能见度低＝0。

其中，确定簇的个数包含以下两个步骤：

S1、根据cophenet函数计算出不同聚类方法对应的相关性系数确定聚类的方法并对样品进行聚类。

S2、引入不一致性系数评价每一次聚类，综合考虑不一致性系数与聚类次数，确定最终聚类簇的个数。

所述采用K均值聚类法重新聚类包括以下步骤：

S1、采用K均值聚类法，按照所确定簇的个数，将所有样品进行重新分类。

S2、引入轮廓值来评价聚类结果的好坏，并提取出每一类当中的离群样本，分析样本录入是否有误，若无误，可将离群样本单独作为一类，进行重新归类。

优选的，所述危险场景重构与扩展，是通过对聚类分析进行卡方检验得到每一类危险场景中的显著性因素与非显著性因素。以显著性因素为常量，非显著性因素为变量，进行场景的重构与扩展，最后实现场景的复现，并建立危险场景库。

具体的根据上述方案，从危险场景中可以提取出但不仅限于的参数有时间段-白天/晚上、场景地区-高速/城市、农村、自车的状态-变道/转弯/直行等，目标车辆的状态-从两侧侵入/向两侧换道/直行减速等，目标车辆类型-货车/轿车/非机动车/行人等。

将提取出的参数按照名义变量，有序变量，连续变量进行分类，然后做标准化处理，统一量纲。如时间段这样的名义变量，包括白天与晚上。规定名义变量取值相同时距离为0，不同时距离为1。

对不同的测试场景重复以上步骤，确定所有的驾驶场景能用这些参数进行聚类。

根据cophenet函数，分析采用不同的聚类方法对样本进行聚类所得到的相关性系数，相关性系数越接近于1，代表聚类效果越好。以此确定所选用的聚类方法。

经过上述所用方法对样品进行聚类。引入不一致性系数来评价每一次聚类的好坏，不一致性系数越低，代表这次聚类的效果就越好。综合考虑每一次聚类的不一致性系数以及聚类结果中每一类中样本不宜过少的原则，确定最终簇的个数。

采用K均值聚类法，按照上述得到的簇的个数，将所有样本进行重新分类。通过引入轮廓值，来评价该次聚类结果的好坏，轮廓值越接近于1，代表聚类效果越好。当轮廓值小于0，代表该样本为离群样本，需要将离群样本重新进行归类。

对上述聚类结果进行卡方检验，取置信度为90％。以总样本空间中的变量分布作为理论频次，单类场景中的变量分布作为观察频次，当所求的卡方值大于P＝0.1对应的卡方值时，说明该变量在该类场景中具有显著性。

以上述所得到的显著性因素为常量，非显著性因素为变量，对有限场景进行有效的重构与扩展。

本发明中记载的方法首先从自然驾驶数据中选取若干参数，将这些参数作为聚类分析指标；利用cophenet函数计算聚类树信息与原始数据的距离之间的相关性，选取最适合的聚类方法；根据所选用的聚类方法对样品进行聚类，确定簇的个数。再采用K均值聚类法重新聚类，引入轮廓值判断聚类质量；随后对聚类结果进行卡方检验，通过卡方检验得出的显著性结果，提取出每一类危险场景中的显著性因素，进行危险场景重构和扩展。

所建立的危险场景库进行车辆危险场景测试时，能够应用在燃油车、电动车或者混合动力汽车等领域，也能够应用在货车或者大巴车等测试场景。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种基于自然驾驶数据的危险场景库构建方法，其特征在于，包括如下步骤：

S1，从用户自然驾驶数据中提取出若干驾驶参数数据，将提取的驾驶参数数据作为驾驶数据聚类分析指标；

S2，利用cophenet函数计算驾驶参数数据聚类树信息与最初提取的驾驶参数数据的距离之间的相关性，得到相关性系数；

S3，根据相关性系数选取优化后的驾驶参数数据聚类分析指标；

S4，根据所选用的驾驶参数数据聚类方法对最初驾驶参数数据样品进行聚类，确定簇的个数；

S5，采用K均值聚类法重新对驾驶参数数据聚类，通过计算轮廓值判断驾驶参数数据聚类质量；

S6，对驾驶参数数据聚类结果进行卡方检验，通过卡方检验得出驾驶参数数据显著性结果；

S7，提取出每一类驾驶参数数据危险场景的显著性因素，进行危险场景重构与扩展。

2.根据权利要求1所述的基于自然驾驶数据的危险场景库构建方法，其特征在于，所述S1包括：

S1-1，实时获取用户自然驾驶参数数据，遍历全部自然驾驶参数数据，对用户驾驶时间段进行参数数据采集；

S1-2，将用户驾驶时间段根据日期、月份、季度或年份进行分段采集，在每一分段的时间段中对车辆的胎压、油量、电量、水温、传感器工作状态进行数据采集；

S1-3，获取每一分段的时间段乡间公路、县级公路、省级公路、国道和高速路的路况拥堵数据、能见度数据、检修施工数据，将拥堵数据、能见度数据、检修施工数据；

S1-4，获取每一分段的时间段车辆类型参数数据，车辆类型参数数据获取完毕之后，采集该车辆类型运动状态、以及该车辆类型在不同道路路况下的运动速度。

3.根据权利要求1所述的基于自然驾驶数据的危险场景库构建方法，其特征在于，所述S2包括：

S2-1，通过cophenet函数计算驾驶参数数据聚类树信息，将计算后的聚类树信息进行维度构建，采用最短距离法(Single)、最长距离法(Complete)、中间距离法(Median)、重心法(Centroid)、类平均法(Average)的类间聚类分析；

S2-2，经过类间聚类分析后，获取相关性系数，使相关性系数收敛于设定阈值。

4.根据权利要求1所述的基于自然驾驶数据的危险场景库构建方法，其特征在于，所述S3包括：

S3-1，进行聚类分析指标的工作过程，将自然驾驶数据中提取出来的优化后的驾驶参数数据聚类分析指标进行变量处理，然后进行参数化描述，然后将参数化描述进行标准化处理，统一量纲；

S3-2，其中参数化描述分为：

A，将驾驶参数数据聚类分析指标变量按照名义变量、有序变量、连续变量进行分类，收集名义变量中没有顺序等级之分的变量，收集有序变量存在序次关系的变量，收集连续变量中存在的实际数值，进行数学运算的变量；

B，将名义变量和有序变量赋予实际数值，有序变量的赋值大小顺序必须与原来的次序一致。

5.根据权利要求1所述的基于自然驾驶数据的危险场景库构建方法，其特征在于，所述S4包括：

S4-1、根据cophenet函数计算出不同聚类方法对应的相关性系数确定聚类的方法并对驾驶参数数据样品进行聚类；

S4-2、根据不一致性系数验证每一次驾驶参数数据聚类过程，判断不一致性系数与聚类次数，确定最终聚类簇的个数。

6.根据权利要求1所述的基于自然驾驶数据的危险场景库构建方法，其特征在于，所述S5包括：

S5-1、采用K均值聚类法，按照所确定簇的个数，将所有优化后的驾驶参数数据进行重新分类；

S5-2、根据轮廓值验证优化后的驾驶参数数据聚类结果，提取出每一类当中的离群样本，分析该离群样本录入是否有误，若有误则提取新的利群样本，若无误，将离群样本单独作为一类，进行重新归类。

7.根据权利要求6所述的基于自然驾驶数据的危险场景库构建方法，其特征在于，所述S6包括：

S6-1，将驾驶参数数据的聚类结果进行卡方检验，设置置信度阈值；

S6-2，以全部离群样本空间中的变量分布作为理论频次，单类驾驶参数数据场景中的变量分布作为观察频次，当卡方值大于对应的卡方阈值时，提炼出相应驾驶参数数据聚类场景中具有显著性的场景。

8.根据权利要求1所述的基于自然驾驶数据的危险场景库构建方法，其特征在于，所述S7包括：

S7-1，所述危险场景重构与扩展，通过对驾驶参数数据聚类分析进行卡方检验后得到每一类危险场景中的显著性因素与非显著性因素；

S7-2，以显著性因素为常量，非显著性因素为变量，进行危险场景的重构与扩展，实现危险场景的复现，建立危险场景数据库；

S7-3，从危险场景数据库中提取驾驶参数数据包含时间段、车辆状态、路况数据以及车辆类型的参数数据；

S7-4，提取出的驾驶参数数据按照名义变量，有序变量，连续变量进行分类，然后做标准化处理，统一量纲。

9.一种基于自然驾驶数据的危险场景库的应用，其特征在于，包括利用权利要求1-8所建立的危险场景库进行车辆危险场景测试。